Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2501.00571v4

帮助 | 高级搜索

计算机科学 > 计算与语言

arXiv:2501.00571v4 (cs)
[提交于 2024年12月31日 (v1) ,最后修订 2025年5月1日 (此版本, v4)]

标题: KnowRA:基于知识检索增强的文档级关系抽取方法及全面推理能力

标题: KnowRA: Knowledge Retrieval Augmented Method for Document-level Relation Extraction with Comprehensive Reasoning Abilities

Authors:Chengcheng Mai, Yuxiang Wang, Ziyu Gong, Hanxiang Wang, Yihua Huang
摘要: 文档级关系抽取(Doc-RE)旨在提取跨越多个句子的实体之间的关系。因此,与句子级关系抽取相比,Doc-RE需要更全面的推理能力,涉及实体、上下文和外部常识知识之间的复杂跨句交互。 然而,大多数现有的Doc-RE方法专注于优化单一推理能力,但缺乏利用外部知识对长文档进行全面推理的能力。 为了解决这些问题,提出了一种名为KnowRA的知识检索增强方法,该方法具有全面推理能力,可以自主决定是否接受外部知识以辅助Doc-RE。 首先,我们构建了一个文档图用于语义编码,并集成了共指消解模型以增强共指推理能力。 然后,通过检索常识推理的外部知识库来扩展文档图成为文档知识图,并提出了一种新的知识过滤方法以筛选出无关知识。 最后,我们提出了轴向注意力机制,以建立与中介实体的直接和间接关联,从而实现跨句逻辑推理。 在两个数据集上进行的广泛实验验证了我们方法的有效性,相比最先进的基线方法有所提升。 我们的代码可在https://anonymous.4open.science/r/KnowRA获取。
摘要: Document-level relation extraction (Doc-RE) aims to extract relations between entities across multiple sentences. Therefore, Doc-RE requires more comprehensive reasoning abilities like humans, involving complex cross-sentence interactions between entities, contexts, and external general knowledge, compared to the sentence-level RE. However, most existing Doc-RE methods focus on optimizing single reasoning ability, but lack the ability to utilize external knowledge for comprehensive reasoning on long documents. To solve these problems, a knowledge retrieval augmented method, named KnowRA, was proposed with comprehensive reasoning to autonomously determine whether to accept external knowledge to assist DocRE. Firstly, we constructed a document graph for semantic encoding and integrated the co-reference resolution model to augment the co-reference reasoning ability. Then, we expanded the document graph into a document knowledge graph by retrieving the external knowledge base for common-sense reasoning and a novel knowledge filtration method was presented to filter out irrelevant knowledge. Finally, we proposed the axis attention mechanism to build direct and indirect associations with intermediary entities for achieving cross-sentence logical reasoning. Extensive experiments conducted on two datasets verified the effectiveness of our method compared to the state-of-the-art baselines. Our code is available at https://anonymous.4open.science/r/KnowRA.
评论: 这项工作已被IJCAI 2025(CCF A)接受
主题: 计算与语言 (cs.CL)
引用方式: arXiv:2501.00571 [cs.CL]
  (或者 arXiv:2501.00571v4 [cs.CL] 对于此版本)
  https://doi.org/10.48550/arXiv.2501.00571
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Chengcheng Mai [查看电子邮件]
[v1] 星期二, 2024 年 12 月 31 日 17:58:36 UTC (549 KB)
[v2] 星期日, 2025 年 1 月 5 日 17:22:02 UTC (440 KB)
[v3] 星期三, 2025 年 4 月 30 日 05:25:53 UTC (440 KB)
[v4] 星期四, 2025 年 5 月 1 日 12:30:09 UTC (440 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.CL
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-01
切换浏览方式为:
cs

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号